PREVISÃO DE SÉRIES TEMPORAIS PARA AMPLIAR A

VISIBILIDADE LOGÍSTICA NA ARCELORMITTAL BRASIL

Autor: Marco Antônio Aburachid Tavares

Publicado em outubro de 2020

CONTEXTUALIZAÇÃO

Este artigo se baseia na pesquisa da ArcelorMittal Brasil, empresa que

comercializa aços, aços planos e laminados, bobinas e produtos laminados em
todo o país, e acrescenta o seguinte questionamento: Como ter uma previsão
confiável de quantos veículos poderão chegar em um dado horizonte de
tempo? Este é um dos principais fatores para o sucesso das atividades
logísticas da empresa. Para resolver este problema, foi criado um sistema de
planejamento de veículos com base na estimativa de data / hora de chegada.
Com essa base de tempo do sistema, os funcionários podem evitar os
seguintes problemas: realocar recursos corretamente, evitar custos imprevistos
e melhorar o relacionamento com os clientes. Além das enormes vantagens
que o sistema oferece, as séries temporais também são necessárias para
entender melhor os resultados apresentados e reduzir os erros de previsão.

DESCRIÇÃO DA ANÁLISE

O sistema de agendamento próprio da empresa é utilizado para apurar o

número de veículos agendados para a marcação, com um lead time de 1 ou 2
dias. O modelo de planejamento é um compromisso entre fornecedores ou
transportadoras para garantir a chegada do motorista dentro do prazo. É um
fator que não evita atrasos ou viagens imprevistas, podendo calcular a média
móvel de todo o conjunto de dados a partir do final do período.
Para as métricas de erros do sistema de agendamento, foram considerados a
fórmula: erro(ei) é a diferença entre o valor medido no tempo (yi) pelo valor
previsto (^yi) no tempo i
Ei=yi-^yi
A métrica escolhida para comparação dos métodos é a Root Mean Squared
Error (RMSE) – Erro Médio Quadrático que é calculado pela equação

Nesse artigo foi utilizado o método Expanding Window (EW) devido a

possibilidade de aumentar a amostra de treino.

RESULTADOS

O conjunto de dados inicia em 01/01/2019 e finaliza em 31/12/2019. As

amostras de treinamento iniciam de 01/01/2019 a 09/01/2019 (8 meses), as
amostras de teste iniciam de 09/02/2019 à 15/09/2019 (14 dias). Desde esse
período, a técnica de EW foi aplicada em 12 etapas consecutivas. Depois de
testar e analisar as 4 técnicas de séries temporais aplicadas, nomeadamente,
suavização exponencial (Holt-Winters), SARIMA, LSTM e média móvel
ajustada (naive). Pode-se concluir que as técnicas de suavização exponencial
(Holt-Winters) e SARIMA fornecem uma previsibilidade de 56% abaixo da linha
de base (1 dia de antecedência) RMSE dentro do intervalo de previsão de 14.

DISCUSSÃO

O desempenho do modelo de suavização exponencial (HoltWinters) e SARIMA

é melhor do que outros métodos e sistemas de previsão. É necessário
comparar os métodos de diferentes amostras, pois, alguns modelos
apresentam variabilidade relativa entre as amostras. Conforme declarado no
título deste artigo, o objetivo dessas descobertas é desenvolver métodos que
possam estender os recursos preditivos do sistema. Porque cada método tem
vantagens e desvantagens, e uma complementar a outra.